Sei sulla pagina 1di 10

Aplicación de herramientas de planeamiento de la

producción y de manufactura esbelta para la mejora


de la productividad en una empresa agroindustrial
Jonatán Edward Rojas Polo, Mg.1, Alexia Cáceres Cansaya1, Cesar Stoll Quevedo, Dr.1
1
Pontificia Universidad Católica del Perú, Perú, jrojasp@pucp.pe, alexia.caceres@pucp.pe, cstoll@pucp.pe

Abstract– This research approaches the situation that faces a La investigación aborda una mejora en los procesos para lo cual
Holantao crop processing plant when it comes to monthly and daily se hace el uso de herramientas de manufactura esbelta y
production planning. Daily planning deals with worker task herramientas de minería de datos. La investigación se inició con la
assignment. Monthly planning starts with harvest forecast data in recolección de datos en todos los campos de siembra, para realizar
the crop fields. After that the raw materials are collected (with un pronóstico de toneladas a cosechar mediante un modelo
optimality principles). Then it goes to the processing plant with an 8 matemático multivariable. Con este modelo se logró tener una
hour journal, 200 workers for an average amount of 5.6 tons of raw confiabilidad del pronóstico de alrededor del 85%. Posteriormente se
materials. The main detected problem is the lack of reliability at the realizó el mapeo de las operaciones dentro la planta procesadora,
time of developing the forecast model, because there are days that Value stream mapping, para lo cual se detalló todos los tiempos de
have an estimated raw materials entry rate of 5 tons and an actual operación, tiempos de ciclo, tiempos de máquina, setup’s, eficiencias
rate of 2 tons, making difficult the amount of workers in the por operación y numero de operarios. Se reconfiguro las operaciones
processing plant, meanwhile, another detected problem is the low para el proceso y el layout de la planta, lo cual impacto en el costo
operational capacity of the workers in the plant, having a production de proceso, siendo ahora 0.38 nuevos soles por kilogramo, además
rate of around 5.7 kilograms per hour-worker. Which gives a de aplicar un enfoque socio-técnico el cual permitió aumentar en 80
processing cost of 1.2 soles per kilogram. The research approaches % el sueldo de los trabajadores.
an improve in the processes which uses lean manufacturing tools as Palabras clave – pronóstico de cosecha, herramientas de
well as data mining tools. The research started with data collecting manufactura en la agroindustria.
in all the crop fields in order to obtain a forecast on harvested crops
by using a multivariable mathematic model. This model obtained a I. INTRODUCCIÓN
forecast reliability of around 85%. Afterwards the operations inside
the processing plant were mapped with a diagnosis tool called Value La agroindustria en el Perú enfocada a la exportación está
Stream Mapping, which require the detail of all the operation times, creciendo sin antecedentes previos durante estas últimas
cycle times, machine times, setups, efficiency per operation and décadas, en la costa desde Tumbes con su principal producto
number of workers. The operations were reconfigured for the mango fresco, recorriendo por Huarmey encontramos la fresa,
process as well as the plant layout, which had an impact in the por Supe con palta, hasta Tacna con su famoso Oliva en
process cost, reducing it to 0.38 soles per kilogram, besides applying conserva. Además de sitios pertenecientes a la serranía, tal
a social-technical focusing which allowed an 80% raise in the como Ayacucho y Huancavelica con su nuevo producto de
journal of the workers.
exportación Holantao, y sugar daddy. No obstante la
Keywords-- harvest forecast, manufacturing tools in
agroindustry. competencia de este sector agroindustrial no solo se da a
niveles regionales, sino a nivel mundial. Teniendo grandes
Resumen – Esta investigación aborda la situación que enfrenta competidores tales como China (esparrago en conserva,
una planta procesadora de cultivo de Holantao cuando tiene que alcachofas, pimiento, ají paprika), Kenia (Holantao), México
planificar su producción diaria y mensual. La planificación diaria (esparrago fresco) entre otros. Siendo una obligación necesaria
aborda la asignación de las tareas de los operarios. La planificación para la agroindustria peruana el de fortalecer su imagen como
mensual parte de los datos de pronóstico de cosecha en el campo de
proveedor de productos agrícolas de alta calidad, productos
siembra. Posteriormente se realiza la recolección de materia prima
(la recolección sigue principios de optimalidad). Luego se trabaja en innovadores, además debe brindar precios que sean
la planta de proceso con una jornada de 8 horas, con 200 personas competitivos con los demás mercados internacionales. Para lo
para un promedio de 5.6 toneladas de materia prima. cual, estas empresas deben poseer técnicas y conocimientos
El principal problema detectado es la falta de confiabilidad para para que sobrepasen los estándares de producción, con la
elaborar un modelo de pronóstico, dado que se presentan días donde finalidad de reducir sus costos operativos y optimizar el uso de
se estima un ingreso de 5 toneladas de materia prima y la realidad las materias primas. Así también debe poseer una excelente
es que solo ingresan 2 toneladas por lo cual no se puede tener la siembra con un adecuado manejo de post-cosecha. Todo esto
certeza de cuantos trabajadores se debe tener en planta de proceso, no surgirá solamente con la mejora diaria, sino que es necesario
así mismo, otro problema detectado es la baja capacidad operacional
que las empresas elaboren estrategias de adaptabilidad a un
que tienen los trabajadores en planta, teniendo una capacidad de
producción de alrededor 5.7 kilogramos por hora-persona. Lo cual mercado de consumo muy inestable.
da como resultado un costo de proceso de 1.2 nuevos soles por
La presente investigación realiza en una empresa
kilogramo.
agroindustrial situada al sur de Lima. Esta empresa ofrece
Digital Object Identifier: (to be inserted by LACCEI). principalmente dos tipos de productos, Holantao y Sugar daddy,
ISSN, ISBN: (to be inserted by LACCEI).

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 1
en diferentes presentaciones, según sea el requerido por el definir el valor del cliente, definir el flujo de valor, hacerlo
cliente. Esta empresa posee campos de siembra donde se fluir, jalarlo desde el final (cliente) y perseguir la excelencia.
aplican excelentes técnicas de siembra siguiendo la norma base
para poder acceder al mercado europeo “Global Gap”, no C. Planeamiento agregado
obstante los márgenes de utilidad no son los mejores de este Según Domínguez Machuca [6], el plan agregado de
sector, dado que solo se aprovecha la materia prima ingresada producción es una herramienta que integra el plan, es decir
a planta con un rendimiento de aprovechamiento del 70% del todas la unidades agregadas, para periodos normalmente
ingreso de materia prima. mensuales, considerando las variables de producción,
intentando cumplir con el plan a largo plazo. Así también
El holantao llamado también arveja china o snow peas, con Krajewski, Ritzman & Malhotra [7], comentan que el plan
nombre científico Pisum Sativum variedad saccharatum [1], es agregado de ventas y operaciones es útil porque se centra en
una leguminosa originaria del Mediterráneo y de África un curso general de acción, consistente con las metas y
Oriental, pertenece a la familia Fabaceae, del orden Fabales [2]. objetivos estratégicos de la empresa. Los encargados del plan
El fruto es en vaina, algo comprimida y terminada en una agregado deberán determinar si pueden satisfacer los objetivos
pequeña curva. Las semillas, numerosas en cada vaina, son casi presupuestarios al programar cada uno de los de productos y
esféricas. Las variedades comerciales son: Oregon Sugar Pod I empleados de la empresa de forma individual. En general, las
y Oregon Sugar Pod II. Así también otras variedades son el empresas llevan a cabo la agregación en tres dimensiones:
Sugar Daddy y el Sugar Snap, siendo estas últimas una Arveja servicios o productos, la fuerza de trabajo y el tiempo.
dulce y de un grano de mayor tamaño.

II. ESTADO DEL ARTE III. CASO DE ESTUDIO


A. Modelo de regresión multivariable A. Situación actual
D. Gujarati & D. Porter [3] comentan que fue Francis La investigación se realizó en una empresa que cuenta con
Galton fue quien acuñó el término regresión, él planteó que, a más 100 hectáreas sembradas de Holantao y Sugar Daddy, los
pesar de la tendencia de los padres de estatura alta a procrear cuales se encuentran distribuidos en la localidad de Humay
hijos altos y los padres de estatura baja, hijos bajos, la estatura
promedio de los niños de padres de una estatura determinada
tendía a regresar, a la estatura promedio de la población total.
Concluyendo que la estatura de los hijos de padres
inusualmente altos o inusualmente bajos tiende a dirigirse a la
estatura promedio de la población. Esta ley de regresión
universal fue confirmada por Karl Pearson, quien reunió más
de mil registros de estaturas de grupos familiares. Pearson
descubrió que se trataba de un fenómeno mediante el cual los
hijos altos e hijos bajos “regresan” por igual a la estatura
promedio de todos los demás. La interpretación moderna de la
regresión afirma que el análisis de regresión trata del estudio
de la dependencia de una variable (variable dependiente)
respecto de una o más variables (variables explicativas) con el
objetivo de estimar o predecir un valor promedio poblacional perteneciente a Pisco - Ica, tal como se observa en la Figura 1.
de la primera en términos de los valores conocidos. A pesar de Fig. 1 Esquema de los campos de siembra.
que el análisis de regresión tiene que ver con la dependencia
de una variable respecto de otras variables, esto no implica El holantao presenta un tiempo de ciclo de siembra/cosecha
causalidad necesariamente. de aproximadamente 60 a 80 días, dependiendo de la variedad
de la semilla. De este ciclo de siembra, solamente 25 a 45 días
B. Manufactura esbelta son útiles para cosechar, por lo cual, la cosecha, el acopio y
La manufactura esbelta o lean manufacturing es una manejo de post cosecha deben ser planificados adecuamente,
metodología de gestión que se ha aplicado en muchas plantas para sincronizar su flujo durante la cadena de valor, y
de fabricación de estas décadas. Se inició en la industria maximizar la calidad de materia prima obtenida en campo.
automovilística [4], posteriormente se llevaron a cabo
iniciativas de mejora secuenciales para mejorar los cambios en A.1 Pronóstico de materia prima en campo:
las prácticas de fabricación. Es una metodología la cual busca Actualmente el pronóstico de cosecha en campo es
incrementar el Valor hacia el cliente. Según Womack & Jones desarrollado por el ingeniero encargado del campo, donde su
[5], la manufactura esbelta es un proceso de cinco pasos: principal criterio para determinar los kilogramos a cosechar por
tipo de campo, se basa en distribuir los rendimientos teóricos

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 2
del tipo de cultivo (según la empresa que vende las semillas son trabajando en un determinado periodo. Así también se pudo
de 8 toneladas por hectárea) entre los días de cosecha. La observar tiempo ocioso en las actividades de los trabajadores,
cantidad total diaria de cosecha es sumando todos los campos siendo uno de los motivos no contar con materia prima,
habilitados para cosecha en el periodo de planificación. incurriendo de esta manera en costos más altos. En la Tabla II
Esta manera de pronosticar ha traído consigo muchos se observa los las capacidades de producción de cada tarea.
inconvenientes de planificación, dado que no todos los campos Tabla II
de siembra tienen el mismo rendimiento de cosecha en la Capacidad de producción por área - operario
realidad. Las ubicaciones de los campos de siembra se muestran Kg/hora- Horas/ Kg/día-
Capacidad
en la Tabla I. operario día operario
Tabla I Selección 30 8 240
Notación de cada lote – campo de siembra Selección Abastecedor de selección 600 8 4800
Lugar Lote Lugar Lote Control de peso de selección 600 8 4800
Humay Nestares 1 Auquis Huamani 2 Abastecedor de corte 300 8 2400
Humay Nestares 2 Auquis Huamani 3 Cortador de punnet 5.7 8 45.6
Corte
Humay Nestares 3 Auquis Saavedra 2 Pesaje de materia prima
Humay Nestares 4 Pallasca Sebastián 1 500 8 4000
cortada
Humay Nestares 5 Pallasca Sebastián 2 Codificador de punnet 125 8 1000
Humay Nestares 6 Huancano Huancano 1 Llenado de punnet 30 8 240
Hualla Pantaleón 1 Huancano Huancano 2 Pesado de punnet 40 8 320
Hualla Pantaleón 2 Huancano Huancano 3 Sellado de punnet 120 8 960
Hualla Pantaleón 3 Huancano Huancano 4 Empaque
Llenado de bolsas bulk 60 8 480
Auquis Valdivieso 1 Humay codificador / pesador 120 8 960
Auquis Valdivieso 2 Hualla
Empaque USA - Selección /
Auquis Huamani 1 Auquis 80 8 640
pesaje
Auquis Blanco 1 Pallasca
Etiquetado de cajas 768 8 6144
Auquis Saavedra 1 Huancano Cámara
Apilado y paletizado 288 8 2304
Auquis Blanco 2 Quitasol Yauricasa frigorífica
Almacenamiento 600 8 4800
Limpieza 4 personas
El la Figura 2, se puede observar el comportamiento diario de Mantenimiento
Mantenimiento 2 personas
kilogramos que brinda la planta durante su etapa de cosecha. Se
analiza que durante las 2 primeras semanas su máxima cosecha El sistema de producción está compuesto por cinco áreas:
es de 200 kilos por día, y durante la semana 3 y semana 4 se selección, corte, empaque, cámara frigorífica y mantenimiento.
incrementa hasta 1200 kilos por día (semana pico de
producción), posteriormente del día 29 hasta el día 45 la a) Selección: En el área de selección encontramos al personal
producción para cosecha se reduce notoriamente. que recepcionan la materia prima, al abastecedor de la faja de
selección, al personal de selección y al personal que recolecta y
pesa la materia prima que ha sido seleccionada. Observe la
figura 3.

Fig. 2 comportamiento normal de la cosecha de un lote de holantao.


Fig. 3 Área de selección.
A.2 Producción y procesos en planta de operaciones:
La variación en el pronóstico de cosecha de materia prima, En esta área primero se pesa lo recolectado en campo,
impacta significativamente en la capacidad de la planta de posteriormente el abastecedor de selección coloca la materia
producción. Es decir, muchas veces se tiene una capacidad de prima sobre la faja y las seleccionadoras se encargan de separar
producción mayor a la capacidad necesaria, dado que la a los productos que presentan defectos y a cuerpos extraños que
disposición de materia prima es muy variable. En el análisis pueden estar inmersos dentro de la materia prima. En la línea
también observamos que no existe una correcta política de encontramos 23 seleccionadoras, 1 controlador de peso y 1
contratación de la fuerza laboral. Es decir, el departamento de abastecedor. El ritmo de esta área está dado por el avance de las
producción no tiene certeza cuántas personas deben estar seleccionadoras.

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 3
no interesa la presentación del llenado. En el área de empaque,
b) Corte: En el área de corte encontramos al personal que las pesadoras son las que ponen el ritmo de la producción.
abastece la materia prima seleccionada a cada uno de los
cortadores. La operación de corte consiste en separar los
extremos del holantao o del sugar daddy, mediante una tijera
pequeña, aproximadamente de 10 cm. de longitud. La longitud
del holantao debe estar en un rango de 7.5 a 11 cm. Las
cortadoras trabajan en una mesa. El abastecedor suministra
producto seleccionado para ser cortado, posteriormente las
cortadoras colocan el holantao cortado en jabas de
aproximadamente 10 kilogramos. En el área de corte
encontramos 117 cortadoras, 1 controlador de peso y 2
abastecedores. La operación de corte se observa en la figura 4. Fig. 6 Sellado con film un formato 150 gramos - Holantao.

d) Cámara frigorífica: La cámara frigorífica es uno de los


espacios más importantes del proceso, dado que se ambienta al
producto a una temperatura de 3 a 6 °C para prolongar su vida
útil. Las tareas de este espacio son paletizar las cajas, codificar
y enzunchar las paletas, tal como se observa en la Figura 7. En
el espacio de la cámara frigorífica trabajan 1 jefe de cámara, 2
paletizadores y 1 persona que enzuncha. La persona que
determina el ritmo de la producción es el paletizador.

Fig. 4 Personal de corte.

c) Empaque: Luego de que el holantao ha sido cortado y pesado,


se coloca aproximadamente 6 jabas de producto sobre una
mesa, donde los operarios colocan este producto en bandejas
llamadas punnet. Se trabaja con dos tipos de bandeja, la B-124
y la B-138, y el uso depende de las presentaciones a realizar. Fig. 7 Enzunchado de una paleta 11x20 cajas – 8x200gr. Holantao.
Las presentaciones son las siguientes: Caja 12 x 250gr, Caja 8
x 150 gr, Caja 24 x 200 gr, Caja 28 x 200 gr y Caja de 10 e) Mantenimiento: El área mantenimiento es un área transversal
libras. Estas presentaciones son tanto para el holantao y para el que vela por el funcionamiento diario del flujo eléctrico, la
sugar daddy. En la Figura 5 se observa dos presentaciones. maquinaria, flujo de aire frio, tinas de enfriamiento, y de las
maquinarias usadas para la producción y embarque. Así
también vela por la limpieza de la planta de proceso. En total
trabajan 2 técnicos en metal-mecánica y 4 personas en limpieza.
La cantidad de personal de cada área es para poder procesar 5.6
toneladas de materia prima al día.
A continuación se presenta el análisis de los procesos mediante
la herramienta del value stream mapping. Primero detallamos
Fig. 5 Izquierda: Presentación 250 gramos de Holantao. Derecha:
las iteraciones de la cadena de suministro, es decir la relación
Presentación 150 gramos de Sugar daddy. entre el cliente, nuestro sistema de producción y nuestro
proveedor. Las líneas en zigzag representan el flujo de
En el área de empaque encontramos 22 llenadores de punnet, información, pedidos, pronóstico de la demanda, y tipos de
16 pesadoras, 5 selladoras, 5 codificadores de punnet o bolsas producto. Esta planificación se da en periodos de corto y
bulk. Cuando se llenan los punnet, se congestiona la operación mediano plazo, observe la Figura 8. En el área de selección se
de pesado, dado que el pesador es el que muchas veces tiene analiza el tiempo de ciclo es de 17 segundos, el tiempo de setup
que arreglar la presentación de la bandeja. En la figura 5 se de 9 minutos, la eficiencia de proceso es de 95%, el tiempo
observa la presentación en bandeja punnet. Finalmente la disponible por jornada laboral es de 28800 segundos por día, el
bandeja pesada es sellada con un microfilm poroso. Observe la tiempo de planificación es de una semana, y el número de
Figura 6. En esta área también se desarrolla el empaque para las operarios es de 25. Estos datos se observan en la figura 9.
cajas de 10 libras que se destinan para Estados Unidos, el
formato de 10 libras es un proceso sencillo de llenar, dado que

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 4
Pronóstico 4 semanas
Control de la producción
Pronóstico 180/90/60/30 dias
de materia prima que es enviada por nuestros proveedores, estos
envíos se realizan de manera diaria. El camión del lado derecho
representa los despachos que realiza la empresa, estos
Campo
Safari Holanda despachos se realizan todos los días lunes. En la tabla III se
Pedido diario Orden diaria muestra el salario por hora del personal de las distintas áreas de
Fig.8 Interacción de datos en la cadena de suministro. la empresa. Podemos observar que en el personal su mayoría
recibe de recompensa el sueldo mínimo agrario.
El mismo procedimiento se realiza para las operaciones de Tabla III
corte, empaque y enfriado (cámara). Salario por hora en cada operación
Salario
Capacidad
(S/./ hora)
Selección 3.5
Selección Abastecedor de selección 3.5
Control de peso de selección 3.5
Abastecedor de corte 3.5
Corte Cortador de punnet 4
Pesaje de materia prima cortada 3.5
Codificador de punnet 3.5
Llenado de punnet 4
Pesado de punnet 4
Empaque Sellado de punnet 4
Llenado de bolsas bulk 4
codificador / pesador 3.5
Empaque USA - Selección / pesaje 5
Etiquetado de cajas 3.5
Cámara
Apilado y paletizado 5
frigorífica
Almacenamiento 4
Limpieza 3.5
Mantenimiento
Mantenimiento 4.5

Para hallar el ratio de costo de producción, se calcula


Fig.9 Cajetas con datos de operación. multiplicando el salario de cada operario por 8 horas y
dividiendo con el input de materia prima, lo cual nos da un
Entre cada operación de la Figura 10, se observa un triángulo, indicador del costo promedio de 1.22 soles por kilogramo.
que representa la cantidad de inventario que fluye entre estas.
Pronóstico 4 semanas
Control de la producción
Pronóstico 180/90/60/30 dias
Safari Holanda
B. Situación mejorada
Campo En esta sección se presentarán las propuestas que surgen de lo
Pedido diario Orden diaria
22,000 cajas/semana.
18,700 Holantao
mencionado en el punto anterior, donde se investigó el uso de
las herramientas que permitan reducir o eliminar estas causas
3,300 Sugar daddy
Programación semanal Contendor = 4400 cajas
5 contenedores por semana
6 días por semana. 8 horas

de modo que el problema identificado sea resuelto parcial o


Recolección diaria Programación diaria de
envió
totalmente. En ese sentido, se mostrarán en la figura 11 las
Envió semanal
causas y la herramienta con la que se controlará el problema:
Selección Corte Empaque Enfriado - Camara Envió

1 día 660 H 400 H 525 H 16,000 H Fallas en el • Modelo matematico de


440 S 225 S 205 S 2,000 S
T/C = 17 seg. T/C = 17.5 seg. T/C = 18.28 seg. T/C = 20.31 seg.
pronóstico regresión multivariable.
T/S = 0.15 horas T/S = 0.1 horas cambio de formato T/S = 0.2 horas T/S = 0.1 horas
Uptime = 95% Uptime = 93% Uptime = 99% Uptime = 100%
28,800 segundos disponibles 28,800 segundos disponibles 16 pesadoras + 48 operarios 2 paletizadores + 2 operarios
Tiempo = 1 semana 117 cortadoras + 3 operarios 28,800 segundos disponibles 28,800 segundos disponibles

• Herramientas de
23 seleccionadoras + 2operarios

Tiempo de producción =
1 día 0.3 días 0.17045 0.2 días 4.9 días 6.57 días Proceso manufactura esbelta
17 segundos 22 segundos 35 segundos 20.31 segundos Tiempo de operación =
94.31 segundos

Fig.10 VSM de la situación actual.


Contratación de • Planeamiento agregado
La cantidad de inventario se expresa en días necesarios para su personal
ejecución. Así también existe una línea en la parte inferior del Fig.11 Propuestas de Mejora.
gráfico, la cual representa el tiempo de valor agregado y el
tiempo de valor no percibido. Mediante este análisis se pudo B.1 Método de pronóstico
determinar que para la elaboración de una caja de producto Se analizó las siguientes preguntas ¿dónde se debe sembrar? y
tenemos un tiempo de producción de 6.57 días y un tiempo de ¿Por qué los rendimientos por hectáreas varían de un campo a
operación de 94.31 segundos. También se observa dos
camiones. El camión del lado izquierdo representa la recepción

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 5
otro, si son los mismos ingenieros los que se encargan de un Tn/ha = -6841 + 1.03 Altura + 974 Temperatura + 91.7 H R (%)
- 78 Variedad de Semilla+ 0.00025 densidad poblac
campo y otro? ional-1610 Estacion-1731Tipo de Arveja-
27.2nutrientes –4444Tipo de suelo-630Acidez +
2443Profundidad de siembra
Debido a lo mencionado anteriormente se evaluó los factores
que impactan en el rendimiento promedio de kilogramos por Analysis of Variance
hectárea. Para validar una correcta precisión en el pronóstico se Source DF Adj SS Adj MS F-Value P-Value
analizó los 25 lotes de campo que la empresa posee alrededor Regression 11 214051846 19459259 17.16 0.000
Altura 1 83464 83464 0.07 0.790
de Humay. Entre los principales factores tenemos: Temperatura 1 14361620 14361620 12.66 0.003
H R (%) 1 1144301 1144301 1.01 0.333
Variedad de Semilla 1 281879 281879 0.25 0.626
Altura: es la altura del suelo a sembrar, con referencia sobre densidad poblacional 1 2597 2597 0.00 0.963
Estacion 1 8574548 8574548 7.56 0.017
el nivel del mar. Se mide en msnm Tipo de Arveja 1 7300527 7300527 6.44 0.025
nutrientes 1 1518077 1518077 1.34 0.268
Temperatura: es la temperatura promedio desde la siembra Tipo de suelo 1 40321589 40321589 35.56 0.000
hasta la cosecha, la cual es medida diariamente. Se mide Acidez 1 1296631 1296631 1.14 0.304
Profundidad de siembra 1 7323673 7323673 6.46 0.025
en grados Celsius. °C. Error 13 14742452 1134035
Total 24 228794298
Humedad Relativa: se mide la humedad relativa del ambiente
Model Summary
desde la siembra hasta la cosecha, y luego se calcula un S R-sq R-sq(adj) R-sq(pred)
promedio. Se mide en HR(%). 1064.91 93.56% 88.10% 71.51%

Variedad de Semilla: es el tipo de semilla a usar. Todas estas


semillas son semillas certificadas. En el reporte observamos que el P-value es menor que α,
Densidad poblacional: es el número de plantas sembradas en por lo tanto se rechaza la hipótesis nula Ho. Concluyendo que
una hectárea (por lo general existe una separación de 5cm existe por lo menos un factor que influye en el modelo. Sin
entre plantas, y una separación de 1.10 entre surcos. No embargo con este análisis no podemos asegurar que el modelo
obstante de una hectárea de terreno, no se siembra una obtenido, es un modelo apropiado para predecir el rendimiento
hectárea, porque existen áreas de transito). Se mide por hectárea. Por lo cual nos vemos en la necesidad de realizar
plantas/ha un análisis más exhaustivo, buscando la correlación entre las
Estación: es la estación en la que se comienza la siembra de variables predictoras. Para ello realizamos el análisis de
la semilla de la arveja. mejores subconjuntos de variables que predicen el
Tipo de Arveja: indica si la arveja es Snow Peas o Sugar Snap comportamiento de la variable toneladas/hectárea. En la Figura
Nutrientes: es la cantidad de N, P2O5 y K2O colocados en una 12 se puede observar el análisis de mejores subconjuntos con la
hectárea de arveja sembrada en condiciones normales (sin ayuda de Minitab.
plagas). Se mide en kg/ha
Tipo de suelo: Característica del suelo en donde se siembra.
La arveja se adapta a variedad de suelos con excepción de
los muy arcillosos. Se prefiere francos, franco arcilloso,
fértil, profundo bien drenado.
Acidez: la planta de la arveja es moderadamente tolerante a la
acidez. Se pide en PH
Profundidad de siembra: Indica la profundidad a la cual fue
plantada la semilla de la planta de arveja (cm).
Tn/ha (Y): es el rendimiento por hectárea medido en tn/ha. Es
la respuesta del comportamiento de los factores anteriores.
Para realizar el análisis de regresión lineal múltiple, se recopiló
datos de cosecha de 75 campos de siembra (Humay, Huancano,
Hualla, Auquis y Quitasol), cada una de ellas analizada con los
probables factores que afectan en el rendimiento por hectárea
de la planta de arveja. Posteriormente se valida el
comportamiento de los datos, analizando que no presenten
outliers, dado que esto puede distorsionar la calidad de
predicción del método de pronóstico, los outliers se calcularon
mediante la diferencia intercuartil.
Posteriormente se calcula el modelo de regresión:
La ecuación de regresión lineal hallada usa las 11 variables y
determina el coeficiente de determinación del modelo, R2. Fig.12 Análisis de mejores subconjuntos de variables predictoras

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 6
Response is Tn/ha Es el error de la suma de los cuadrados para el modelo
P
con p regresores.
r Ypi = valor predicho de la i-ésima observación de Y de
d o las P regresores.
V e f
a n u S2 = cuadrado medio residual después de la regresión en
r s n el conjunto completo de K regresores y puede ser estimado
i i d
e d i
por error cuadrático medio MSE,
d a T d N = tamaño de la muestra.
a d i T a
d p i d
T p o p
e d o n o d Por tal motivo se elige el modelo de 6 variables que posee un
m e b d u e
p l E e t d Cp de Mallows de 4.2.
e H S a s r e s
A r e c t A i A i
l a R m i a r e s c e
t t i o c v n u i m Los dos criterios convergen en que es conveniente usar el
u u ( l n i e t e d b
R-Sq R-Sq Mallows r r % l a o j e l e r modelo de 6 variables. A continuación se muestra el modelo de
Vars R-Sq (adj) (pred) Cp S a a ) a l n a s o z a
1 74.3 73.2 69.1 30.8 1598.2 X regresión:
1 46.1 43.8 38.3 87.7 2314.9 X
2 78.9 76.9 71.9 23.7 1483.0 X X 𝑦 = 𝛽0 + 𝛽1 𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 + 𝛽2 𝑒𝑠𝑡𝑎𝑐𝑖ó𝑛 + 𝛽3 𝑡𝑖𝑝𝑜 𝑑𝑒 𝑎𝑟𝑣𝑒𝑗𝑎
2 77.6 75.6 71.4 26.2 1526.1 X X
3 83.9 81.6 77.5 15.4 1322.6 X X X
+ 𝛽4 𝑛𝑢𝑡𝑟𝑖𝑒𝑛𝑡𝑒𝑠 + 𝛽5 𝑡𝑖𝑝𝑜 𝑑𝑒 𝑠𝑢𝑒𝑙𝑜
3 80.8 78.1 72.2 21.7 1445.7 X X X + 𝛽6 𝑝𝑟𝑜𝑓𝑢𝑛𝑑𝑖𝑑𝑎𝑑
4 87.2 84.6 80.3 10.8 1210.7 X X X X
4 86.2 83.5 79.3 12.8 1254.7 X X X X
5 89.2 86.4 79.5 8.7 1138.9 X X X X X Analysis of Variance
5 88.6 85.6 82.3 10.0 1170.5 X X X X X
6 92.4 89.9 85.5 4.2 979.84 X X X X X X
6 91.2 88.3 81.8 6.7 1056.6 X X X X X X Source DF Adj SS Adj MS F-Value P-Value
7 92.9 89.9 84.1 5.4 978.94 X X X X X X X Regression 6 211512618 35252103 36.72 0.000
7 92.8 89.9 83.1 5.4 981.69 X X X X X X X Temperatura 1 23742573 23742573 24.73 0.000
8 93.4 90.1 81.5 6.3 969.99 X X X X X X X X Estacion 1 8749161 8749161 9.11 0.007
8 92.9 89.4 82.2 7.2 1004.5 X X X X X X X X
9 93.5 89.6 80.2 8.1 994.25 X X X X X X X X X Tipo de Arveja 1 8879475 8879475 9.25 0.007
9 93.4 89.5 79.9 8.2 1000.8 X X X X X X X X X nutrientes 1 7364430 7364430 7.67 0.013
10 93.6 89.0 78.0 10.0 1026.3 X X X X X X X X X X Tipo de suelo 1 95110443 95110443 99.06 0.000
10 93.5 88.9 76.0 10.1 1029.1 X X X X X X X X X X Profundidad de siembra 1 12843352 12843352 13.38 0.002
11 93.6 88.1 71.5 12.0 1064.9 X X X X X X X X X X X Error 18 17281680 960093
Total 24 228794298

Realizando el análisis de subconjuntos poder elegir el


Model Summary
modelo de 6, 7 u 8 variables, dependiendo de nuestro valor S R-sq R-sq(adj) R-sq(pred)
objetivo estadístico, ya sea el coeficiente de determinación o Cp 979.844 92.45% 89.93% 85.45%

de Mallows. Si para discriminar en un modelo se usa el Con el modelo obtenido no solo se pudo determinar una
coeficiente de determinación ajustado, observamos que no función para poder hallar mejor el pronóstico de materia prima
existe una diferencia significativa entre el modelo de 7 variables que se cosechará en campo. Sino también, el modelo ayudo en
u el de 8. Incluso es mejor seleccionar el modelo de 6 variables, la toma de decisiones al ingeniero de campo para poder incidir
dado que este modelo puede explicar el 89.9% de la variabilidad en las variables que afectan al rendimiento de los campos de
de la data (debemos elegir el mayor valor de R2adj). No usamos siembra y poder mejorar la producción por hectárea. Se observó
el R2 porque, cuantas más variables explicativas incorporamos luego de un año de estudio que los campos arrojaban un
al modelo, mayor será el coeficiente de determinación, pues la rendimiento de aproximadamente 10 toneladas por hectárea,
suma de los cuadrados de la regresión disminuye conforme mejorando de esta manera en un 30% a la cosecha inicial. Así
aumenta el número de variables explicativas. Por tanto, cuando también estos datos repercutieron en la cantidad a procesar en
queremos llevar a cabo un análisis comparativo entre varios la planta agroindustrial. A continuación se muestra la regresión
modelos, utilizamos R2 ajustado: de pronóstico.
𝑛−1
𝑅̅ 2 = 1 − (1 − 𝑅2 ) Tn/ha = 738 + 906 Temperatura - 1395 Estacion - 1488 Tipo de
𝑛−𝑘
Arveja - 46.5 nutrientes - 4817 Tipo de suelo + 2670
Así también, si discriminamos usando el factor de Cp de Profundidad de siembra
Mallows, debemos buscar el menor valor del coeficiente. El Cp
de Mallows ayuda a elegir entre varios modelos de regresión. B.2 Herramientas de manufactura esbelta
Permite lograr un equilibrio importante entre el número de Iniciamos la propuesta preguntándonos ¿Cómo aumentamos la
predictores en el modelo. Por lo cual debemos buscar el modelo productividad? ¿Qué agrega valor a mi producción? Para lo cual
donde el Cp de Mallows es pequeño y muy cerca del número de analizamos cada operación a detalle.
predictores en el modelo.
Proceso: Al realizar el value stream mapping mostrado en la
𝑆𝐶𝐸𝑝 figura 10 observamos que existen operaciones redundantes, es
𝐶𝑝 = 2 − 𝑁 + 2𝑃
𝑆 decir, operaciones que no agregan valor. El corazón de esta
investigación surge en unir el área de corte con el área de
Donde:
𝑁 empaque.
2
𝑆𝐶𝐸𝑝 = ∑(𝑌𝑖 − 𝑌𝑝𝑖 )
𝑖=1

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 7
No agrega valor el hecho que una trabajadora de corte
reciba materia prima, la corte, la coloque en un jaba, luego
es traslada por el personal que abastece corte, se pesa,
luego esa jaba es vaciada sobre una mesa, posteriormente
el personal de llenado coloca el producto cortado sobre los
punnets.

Si agrega valor el hecho que una trabajadora de corte


reciba materia prima, la corte y coloque el producto cortado
sobre los punnets.

Tecnología como soporte: Observamos que existen problemas


básicos en dos áreas:

Selección: que la productividad de las seleccionadoras es


retenida por sacar flores de color blancas que vienen con el
holantao, este es un proceso crítico, dado que si no se retiran las
flores, el producto podría podrirse o disminuir su tiempo de vida
útil (la flor perece más rápido que el holantao). Por lo cual se
modificó la faja de selección, incorporando un succionador de
flores, además de colocar un túnel con luz ultravioleta para
disminuir la carga bacteriana y para retirar las flores en su
totalidad, lo cual incremento el flujo de materia prima
seleccionada por hora. En la figura 13 se observa el diseño de
la faja de selección. Fig.14 Mesa para corte modificada con faja.

En la tabla IV se observa las nuevas actividades de producción,


además se puede apreciar que el área de corte y empaque está
unido, mediante continuas capacitaciones y búsqueda de
mejoras de los puestos de trabajo, se mejora la productividad de
cada puesto de trabajo.
Tabla IV
Nuevo salario por hora en función de la mejora de procesos
Capacidad Salario (S/./
Capacidad
(kg / hora) hora)
Selección 100 S/. 5.2000
Selección Abastecedor de selección 750 S/. 5.2000
Control de peso de selección 750 S/. 6.0000
Abastecedor de corte 800 S/. 4.2500
Cortador de punnet 14 S/. 5.0000
Pesaje de materia prima
Fig.13 Faja de selección mejorada. Con túnel UV + succionador de 150 S/. 4.0000
cortada
flores. Corte - Codificador de punnet 50 S/. 5.0000
empaque
Llenado de punnet 150 S/. 5.0000
Corte: Luego de explicar que deben unirse las áreas de corte y Pesado de punnet 16 S/. 5.0000
empaque, necesitamos también reconfigurar la distribución Sellado de punnet 150 S/. 4.0000
dentro de planta. Es decir, si el personal de corte, ahora ya Llenado de bolsas bulk S/. 4.0000
empaca en los punnets ¿Cómo, donde y cuando se pesaran y Etiquetado de cajas 900 S/. 4.0000
Cámara
sellaran estos punnets? El análisis determino que las personas frigorífica
Apilado y paletizado 300 S/. 5.0000
de abastecimiento que transporten las bandejas con producto Almacenamiento 800 S/. 8.0000
cortado, producirían mermas, o se desarregla la presentación de Limpieza S/. 4.0000
Mantenimiento
Mantenimiento S/. 7.0000
llenado del punnet, por lo cual la productividad aumentada en
corte era disminuida por las operaciones posteriores. En vista
de ello se diseñó una mesa de corte con una pequeña faja al Finalmente se realiza análisis de costo y se valida que el nuevo
centro de la mesa, en donde se colocarían los punnets para que indicador del costo de producción es de 0.38 nuevos soles por
al final de la mesa sean pesadas, y al final de la línea sean kilogramo.
selladas y encajadas. El diseño de la mesa con faja En la figura 15 se puede observar la nueva distribución de la
transportadora se puede observar en la Figura 14. planta de proceso que maximiza el flujo de producción.

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 8
Tabla V
Pronóstico de la cantidad de materia prima cosechada
Mes Semana MT SS Total MP
36 9913.7475 4949.235 14862.9825
37 10894.545 4187.5875 15082.1325
SEP
38 11267.4375 3776.175 15043.6125
39 11275.308 4445.4375 15720.7455
40 10612.881 4423.32 15036.201
41 10503.7155 5168.115 15671.8305
OCT 42 10165.7475 4789.0575 14954.805
43 8584.659 6230.5875 14815.2465
44 8640 5624.235 14264.235
45 8572.5 6255 14827.5
46 8212.5 4635 12847.5
NOV
47 6750 3105 9855
48 4410 1485 5895
49 1935 675 2610
50 810 270 1080
DEC
51 450 0 450
52 180 0 180

El modelo matemático sigue la siguiente lógica:


Minimizar el costo total = Costo de producción en tiempo
normal + costo de producción en tiempo extra + costo
contratación de personal + Costo de despido de personal +Costo
de inventarios.
Sujeto a:
mesi
Producción e inventario:
Inventario inicial + producción xi = Inventario final +
demanda del mesi
Número de personas a trabajar durante el mes:
Personas mesi - contratacionesi + despidosi = personas mesi-1

MODEL:
SETS:
Fig.15 Nuevo layout de la planta de producción. PERIODO:DEMANDA,OPERARIOS,OPERARIOS_ADICIONALES,OPERARIOS_D
ESPEDIDOS,INVENTARIO_FINAL;
ENDSETS
B.3 Planeamiento agregado DATA:
PERIODO=JUNIO JULIO AGOSTO SETIEMBRE OCTUBRE NOVIEMBRE
Finalmente teniendo como como data de entrada un correcto DICIEMBRE;
DEMANDA,COSTOTN,CCA,CCD,COSTOINV,COSTOTE,PRODUCCION,PORCENT
modelo de pronóstico, y habiendo determinando una capacidad AJE=
optima de planta de producción, el siguiente paso es hallar el @OLE('D\Tablas.xlsx');
@OLE('D\Tablas.xlsx')=
número de personas en cada periodo de la campaña de OPERARIOS,OPERARIOS_ADICIONALES,OPERARIOS_DESPEDIDOS,INVENTAR
producción. Para lo cual aplicaremos herramientas de IO_FINAL;
modelación matemática – programación lineal para determinar OPERARIO_AL_INICIO=212;
ENDDATA
la fuerza laboral por periodo de trabajo. !FUNCIÓN OBJETIVO;
MIN=@SUM(PERIODO(I):COSTOTN*OPERARIOS(I)+CCA*OPERARIOS_ADIC
Tabla V IONALES(I)+CCD*OPERARIOS_DESPEDIDOS(I);
Pronóstico de la cantidad de materia prima cosechada
Mes MT SS !RESTRICCIONES;
Semana Total MP
!Inventario final, desde Junio a Diciembre;
23 0 0 0 @FOR(PERIODO(I)|I#GE#2#AND#I#LE#9:INVENTARIO_FINAL(I)=INVEN
24 0 0 0 TARIO_FINAL(I-1)+PRODUCCION*OPERARIOS(I)-DEMANDA(I));
JUN
25 337.5 0 337.5 !Condición de diciembre;
26 1196.415 0 1196.415 @FOR(PERIODO(I)|I#EQ#12:INVENTARIO_FINAL(I)=INVENTARIO_FINAL_DI
CIEMBRE);
27 2797.8615 0 2797.8615 !Personal de Junio a Diciembre;
28 6867.9225 0 6867.9225 @FOR(PERIODO(I)|I#GE#2#AND#I#LE#9:OPERARIOS(I)-
JUL 29 10657.0575 117 10774.0575 OPERARIOS_ADICIONALES(I)+OPERARIOS_DESPEDIDOS(I)=OPERARIOS(
30 12553.7175 292.5 12846.2175 I-1));
31 13253.373 765 14018.373 END [14]
32 13073.2335 1912.5 14985.7335
33 11892.708 2529 14421.708 El personal requerido luego de aplicar la modelación lineal se
AUG muestra en la figura 16. Cabe resaltar que el modelo tiene como
34 10166.9625 3865.5 14032.4625
35 10361.358 3811.5 14172.858

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 9
objetivo minimizar los costos totales de producción, costos de mentalidad del trabajador en herramientas de calidad y de
contratación y costos de despido. mejoras de la producción. Se desarrolló con ellos sesiones no
solo de capacitaciones, sino también de charlas tituladas ¿Qué
me impide ser mejor? ¿Cómo debemos trabajar? ¿Somos
agentes de calidad? Estas sesiones se desarrollaron con todos
los miembros de la organización. Posteriormente cuando se
ejecutó esta mejora, hubo incertidumbres en su realización, por
ejemplo, un caso preocupante fue que la mejora de producción
no se reflejaba en una reducción de costos, luego haciendo las
validaciones de las corridas de producción se determinó que la
mejora e impacto es gradual, dado que es un proceso que se
acopla a la curva de aprendizaje.
Fig.16 Nivel de la capacidad de personal en planta de producción.
Las mejoras realizadas son pequeñas pero impactaron
significativamente en la empresa, reducir el costo en más del
IV. RESULTADOS
60% fue una revolución, la cual fue compartida con todos los
Se observa inicialmente en el caso la deficiencia en la miembros de la organización: directorio, ingenieros y operarios.
planificación de la producción, la cual se inició con un mal
pronóstico y por ende terminó con una mala planificación
REFERENCIAS
dentro de planta de producción.
[1] M. Tavera, S. Davila & A. Prado (2009). “ASISTENCIA TÉCNICA
Con las propuestas de mejora, se elevó el nivel de PARA LOS PLANES OPERATIVOS (POS)” - PROYECTO UE-
PERU/PENX. Código Ref. MINCETUR – POB 1.3.6.1.
confianza en el pronóstico desarrollado en campo, este modelo [2] J. Nolasco (2004). “EVALUACION DE DIFERENTES DENSIDADES
se aplicó en la empresa trayendo consigo una mejora tanto en el DE SIEMBRA DE HABA (Vicia faba L.) COMO CULTIVO TRAMPA
nivel de predicción como en el rendimiento de campo, es decir PARA TRIPS (Triphs sp.) EN EL CULTIVO DE ARVEJA CHINA (Pisum
conocer las variables que afectan al rendimiento, permitieron sativum L.) EN LA ALDEA XEABAJ, SANTA APOLONIA,
CHIMALTENANGO”. Universidad de San Carlos de Guatemala.
tratar de contralarlas y por ende mejorar los rendimiento de [3] D. Gujarati & D. Porter (2010). Econometría. Mc Graw Hill.
toneladas cosechadas por hectárea sembrada. El nivel de [4] A. Rahani (2012). Production Flow Analysis through Value Stream
confianza aumento a un 90%, y los rendimientos se han Mapping: A Lean Manufacturing Process Case Study. Procedia
incrementado en campo a 12 toneladas por hectárea. Engineering, 41, 1727 – 1734.
[5] J. Womack & D. Jones (2012). Lean Thinking (Primera ed.). Barcelona,
España: Grupo Planeta.
Así también la aplicación de herramientas de manufactura [6] J. Domínguez Machuca & Álvarez Gil, M. (1995). Dirección de
esbelta redujeron el costo promedio de proceso operaciones. Madrid: McGraw-Hill.
aproximadamente de 1.2 a 0.38 nuevos soles, además de [7] L. Krajewski, L. Ritzman, & M. Malhotra (2013). Operations management.
Upper Saddle River, N.J: Pearson.
impactar en la capacidad de producción, es decir con el mismo [8] Orlicky, J., Plossl, G., & Orlicky, J. (2011). Orlicky's material requirements
número de personas ahora se puede trabajar ya no solo 5.6, sino planning. New York: McGraw-Hill.
mas bien, se ha incrementado la capacidad hasta 14.5 toneladas [9] Rojas, J. & Silva, W. (2014). Mejora en el abastecimiento y recolección de
por día. Esta mejora es considerada la más importante, dado que materia prima, aplicando heurísticas de Ruteo de Vehículos. Twelfth
LACCEI Latin American and Caribbean Conference for Engineering and
no solo beneficia a la empresa, sino también al trabajador, dado Technology
su ingreso es superior al sueldo mínimo. [10] Liker, J. (2004). The Toyota way. New York: McGraw-Hill.
[11] Hirano, H. (2002). Manual para la implantación del JIT: una guía completa
Finalmente con la aplicación del plan agregado, se para la fabricación "just-in-time". Portland, Oregón: Productivity Press.
[12] Yanchang Zhao (2014). R and Data Mining: Examples and Case Studies.
optimizo en función de la fuerza laboral, es decir solo a nivel Published by Elsevier.
de trabajadores, justo el número óptimo de trabajadores para [13] Ezequiel Uriel (2013). Regresión lineal múltiple: estimación y propiedades.
poder desarrollarse competencias apropiadas dentro de la Universidad de Valencia.
empresa. [14] Modelo propuesto por Christian Santos Cornejo Sánchez, Profesor de área
de investigación de operaciones de la Pontificia Universidad Católica del
La aplicación de las 3 metodologías son las que hacen posible Perú
la reducción del costo de producción a la tercera parte de su
costo inicial. Además se aprecia una armonía entre el trabajador
y la empresa, la cual es la base del estudio socio técnico.

IV. CONCLUSIONES

Esta investigación se realizó aproximadamente en dos


años. La mejora realizada con herramientas de manufactura
esbelta, fue la más compleja, dado que consistía en cambiar la

15th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Global Partnerships for
Development and Engineering Education”, 19-21 July 2017, Boca Raton Fl, United States. 10